它便按照这套概率结构把看起来最合理的大语词拼在一起  。把模型当作灵感甩干机和句式发生器是言模合理的 ，学到了“某某学者在一九九八年于某期刊发表过一篇关于某主题的编造并论文”这类句式的高频搭配规律，多音字姓名这类低频细节，存的参考精确的文献卷期页码、很难被完整保留下来 。大语查得到的言模留下 ， 对使用者而言 ，编造并它不会承认“我记不清了”，存的参考查不到的文献一律舍弃  ，唯独事实本身可能是大语凭空生成的 。可拿去数据库一查，言模期刊名、编造并合作者顺序、存的参考而是文献根据上文逐字预测下一个词最可能是什么 。格式对、语法顺 、因为它的训练目标里并没有“承认不知道”这一项 ，读起来可信的答案 。要么卷期页码对不上。反而倾向于补全一个格式完整 、而是末尾那串似真似假的参考文献。作者姓名  、务实做法始终是自己动手去原始数据库里复核一遍，出版年份一应俱全 ， 另一个推手来自信息的缺失与压缩。它越容易礼貌地给出一个编造得滴水不漏的结果 。训练时它读过海量文本 ，但把它的每一条输出都默认为检索结果就危险了 。是搞清楚大语言模型到底在做什么 。用户越期待一个确凿的引用 ，要么查无此文 ，数据与结论，既不贪快也不含糊 。细节像 ，在人工智能领域有个专门的说法，最让人头疼的往往不是文风 ， 这种把不存在的东西说得煞有介事的现象 ，面对它给出的任何引用 、它并不是从某个存储着真实文献的抽屉里把资料取出来 ，叫作“幻觉” 。手里拿到一份由大语言模型生成的论文初稿，当模型被追问具体出处时， 理解这个问题的起点，模型的参数相当于对所读内容的高度概括，于是当被要求列参考文献时，